- TINO FERNÁNDEZ @tinofernandez
La IA entra en una fase en la que el objetivo no es acumular conocimiento, sino participar en su mejora. Laboratorios y 'start up' desarrollan sistemas que investigan y aprenden de experimentos físicos para acelerar su evolución.
La próxima gran carrera de la inteligencia artificial (IA) no consiste en construir un modelo que sepa más que los anteriores, sino conseguir que la propia IA participe en la creación de su sucesora.
Durante años, la posibilidad de que una IA pudiera ayudar a mejorar otros sistemas de IA o aprender de experiencias generadas por ella misma se movió en el terreno de la investigación. Ahora empieza a convertirse en proyectos concretos: laboratorios que automatizan partes del trabajo científico, sistemas que aprenden en simulaciones y modelos conectados a experimentos físicos.
La cuestión no es si una máquina puede ya inventar por completo la próxima inteligencia artificial, porque de momento no puede hacerlo. Pero empiezan a aparecer las piezas necesarias para que una parte creciente de ese proceso deje de depender exclusivamente del trabajo humano.
Así, Anthropic reconoce que está delegando cada vez más trabajo de desarrollo en Claude. En mayo de 2026, más del 80% del código incorporado a su base de código había sido escrito por el modelo, mientras sus ingenieros seguían definiendo objetivos y revisando los resultados.
Anthropic dice que sus programadores producen hoy mucho más código porque Claude les ayuda a escribirlo. Eso demuestra que la IA ya puede acelerar el trabajo humano, pero no implica que pueda mejorarse sola.
'Mejora recursiva'
La mejora recursiva sería algo mucho más ambicioso: que una IA detectara sus propias limitaciones, diseñara una versión mejor de sí misma, la desarrollara, comprobara que funciona y repitiera ese proceso sin depender de humanos... Eso, por ahora, no se ha demostrado.
Richard Socher ha creado una compañía específicamente para intentar cerrar ese círculo. Recursive Superintelligence salió del stealth -dejó de operar en secreto o con muy poca información pública- en mayo de 2026 con 650 millones de dólares. Techcrunch recuerda que "su ambición es desarrollar sistemas capaces de detectar sus propias debilidades, proponer mejoras, implementarlas y comprobar si han funcionado. Socher admite que nadie ha conseguido todavía una mejora recursiva completa, pero sostiene que automatizar cada vez más pasos de ese proceso puede acelerar de forma radical la investigación".
Yann LeCun dejó Meta para fundar AMI Labs y desarrollar una alternativa a la idea de que el futuro de la IA depende simplemente de seguir aumentando los grandes modelos de lenguaje. AMI quiere construir sistemas capaces de razonar, planificar y modelar el mundo real. LeCun lleva años defendiendo que "los grandes modelos de lenguaje (LLM) son excelentes manipulando lenguaje, pero carecen de algunas de las capacidades necesarias para comprender el mundo físico y actuar en él con autonomía". La compañía contempla aplicaciones en fabricación, industria aeroespacial y farmacia.
Y aquí entran en juego los llamados world models, cuyo objetivo es que una máquina no sólo reconozca lo que tiene delante, sino que pueda anticipar qué ocurrirá después. Para un robot no basta con identificar un vaso: debe calcular cómo acercarse, qué puede suceder si lo empuja, cuánta fuerza aplicar o cómo reaccionar si el objeto se mueve.
Fei-Fei Li persigue una versión distinta de esa idea con World Labs. La compañía denomina "inteligencia espacial" a su intento de desarrollar sistemas capaces de comprender y operar sobre entornos tridimensionales. Con Marble genera mundos en 3D persistentes a partir de texto, imágenes o vídeo. Se trata de ir más allá de la creación de escenarios visualmente convincentes, ya que World Labs quiere convertirlos en espacios en los que humanos y agentes puedan interactuar, simular situaciones y aprender de ellas.
General Intuition toma como referencia el recurso de millones de horas de videojuegos. La compañía nació de Medal, una plataforma de clips de partidas, y dispone no sólo de vídeo, sino también de registros que indican qué acciones realizaron los jugadores en cada momento. Esas action labels permiten relacionar directamente una decisión con lo que ocurrió a continuación. TechCrunch recoge las ideas de su fundador, Pim de Witte, quien sostiene que estos datos permiten enseñar a la IA cómo se relacionan las acciones con sus consecuencias. General Intuition ha mostrado un modelo entrenado en videojuegos que, tras sólo ocho minutos de datos reales, pudo controlar un robot cuadrúpedo. Aún no prueba que funcione a escala, pero sí apunta a la idea de aprender en mundos virtuales para actuar mejor en el mundo real.
Lila Sciences lleva esta idea fuera de la simulación y la trasladarla al laboratorio. Sus AI Science Factories combinan modelos de IA, instrumentos científicos y automatización para plantear hipótesis, diseñar experimentos, ejecutarlos y utilizar los resultados como nuevos datos. La compañía trabaja en química, materiales y biología.
En lugar de limitarse a analizar información existente, la inteligencia artificial participa también en la creación de nuevos datos, y Lila quiere que cada experimento alimente el siguiente ciclo de investigación y ayude a mejorar sus modelos.
Mejor investigación
También hay que citar el caso de Inherent, fundada por antiguos investigadores de DeepMind, que plantea un laboratorio en el que humanos y agentes de IA mejoren no sólo los resultados, sino también la manera de investigar. Según un documento de Index Ventures, que lideró su ronda inicial, "la idea es trasladar a una empresa parte de la dinámica habitual de la ciencia: mejores herramientas producen mejores descubrimientos, y esos descubrimientos permiten construir herramientas todavía mejores".
Por su parte Google DeepMind ofrece uno de los ejemplos más claros de cómo podría funcionar esta nueva generación de sistemas. AlphaEvolve, una herramienta creada para descubrir y mejorar algoritmos, parte de una idea sencilla: Gemini propone distintas soluciones a un problema, esas soluciones se prueban automáticamente y el sistema se queda con las que dan mejores resultados. Después vuelve a trabajar sobre ellas para intentar encontrar una versión todavía mejor.
DeepMind asegura que este método ya se ha utilizado para optimizar centros de datos de Google, mejorar procesos relacionados con chips, acelerar partes del entrenamiento de Gemini y resolver problemas matemáticos.
El interés de AlphaEvolve está en que no se limita a dar una respuesta. Puede proponer una solución, comprobar si funciona y volver a intentarlo a partir de ese resultado. Ese ciclo es precisamente una de las claves de esta nueva etapa de la inteligencia artificial.
También tiene límites. Funciona especialmente bien cuando es fácil medir si una solución es mejor que otra, como ocurre en programación o matemáticas. En biología, robótica o investigación física, donde los experimentos son más lentos y dependen de muchas variables, cerrar ese ciclo resulta mucho más difícil.
Por eso AlphaEvolve no anuncia el final de los grandes modelos de lenguaje: utiliza Gemini. La novedad está en añadirles la capacidad de probar, medir y aprender de lo que ocurre.
La novedad, por tanto, no está en que la inteligencia artificial se sustituya a sí misma, sino en que empieza a participar en su propio aprendizaje. Si estos sistemas logran cerrar ese ciclo a escala, el salto será importante: pasar de modelos que responden con conocimiento existente a máquinas capaces de generar experiencia y aprender de ella.
La IA crea una nueva IA
Pushmeet Kohli, vicepresidente de Google DeepMind, es uno de los responsables que supervisó el programa de investigación de AlphaEvolve.
La próxima etapa de la inteligencia artificial puede consistir en sistemas que no se limiten a responder con conocimiento existente, sino que sean capaces de probar soluciones, medir qué ocurre y utilizar ese resultado para mejorar. AlphaEvolve hace precisamente eso en un terreno en el que el resultado puede comprobarse con claridad: el código y los algoritmos.
Y no se trata sólo de una demostración de laboratorio. DeepMind asegura que AlphaEvolve ha encontrado soluciones utilizadas para optimizar centros de datos de Google, para mejorar los procesos relacionados con chips y entrenamiento de modelos, y para resolver problemas matemáticos.
La IA evoluciona hacia modelos que entienden el mundo físico y que son autónomos.
Miles de millones antes de la demostración
El volumen de dinero que están captando estas compañías muestra la magnitud de la apuesta. AMI Labs ha levantado 1.030 millones de dólares; World Labs, 1.000 millones; Recursive superintelligence, 650 millones; Lila Sciences, 550 millones, y General Intuition, 454 millones de dólares. Según TechCrunch, esta última ya negocia una nueva ronda con una valoración previa de 6.000 millones de dólares, apenas unas semanas después de haber sido valorada en 2.300 millones.
Los inversores no apuestan sólo por los ingresos que estas empresas puedan generar en el futuro. También quieren entrar pronto en tecnologías que podrían convertirse en piezas básicas de la próxima generación de IA. Un sistema capaz de comprender y predecir mejor el mundo físico podría utilizarse en robótica, automoción o industria.
Según la Universidad de Stanford, la inversión privada mundial en IA creció un 127,5% en 2025 y las rondas de al menos 1.000 millones de dólares casi se duplicaron. Fondos y grandes tecnológicas compiten por entrar antes que sus rivales: si alguna de estas arquitecturas acaba siendo fundamental, quedarse fuera ahora significa perder el acceso a una futura plataforma dominante. Esa expectativa ayuda a explicar valoraciones que van muy por delante del negocio actual.
Pero levantar mucho capital no demuestra que la tecnología vaya a funcionar. Recursive comprometió 410 millones de los 650 millones captados en capacidad de cómputo con AWS, y General Intuition también prevé dedicar una parte importante de su financiación a infraestructura. Estas compañías necesitan gastar cientos de millones sólo para poder poner a prueba sus propias hipótesis.
La gran duda es si estas empresas están construyendo tecnologías que cambiarán la IA o si el entusiasmo inversor se adelanta a los resultados. No bastará con levantar más dinero o alcanzar valoraciones millonarias: tendrán que demostrar que su tecnología funciona, que resuelve problemas concretos y genera un negocio sostenible.
La apuesta de LeCun por otros fundadores
Yann LeCun ya no está intentando solo demostrar que el futuro de la inteligencia artificial puede ir más allá de los grandes modelos de lenguaje. También ha empezado a decidir qué otros equipos merecen financiación. En agosto se incorporó a 224 Ventures, un fondo que dirigirá junto a Oriol Vinyals, investigador de Google DeepMind, y Shaun Johnson, fundador de AIX Ventures. Según Sifted, la firma cuenta con unos 100 millones de dólares bajo gestión y prevé invertir entre uno y cinco millones por operación en 'start up' de IA.
El movimiento tiene sentido dentro de la trayectoria de LeCun. Tras dejar Meta, fundó AMI Labs para desarrollar 'world models' y sistemas capaces de razonar, planificar y comprender mejor el mundo físico. La compañía levantó 1.030 millones de dólares en marzo a una valoración previa de 3.500 millones, una de las mayores rondas iniciales vistas en Europa.
224 Ventures se define como un fondo creado "por innovadores de IA para innovadores de inteligencia artificial" y busca equipos que trabajen en aplicaciones, robótica, infraestructura y 'core intelligence'. Su base de inversores está formada principalmente por personas del propio sector: investigadores de frontera, responsables de ingeniería y producto, ejecutivos y fundadores tecnológicos.
La relevancia va más allá de un nuevo cargo. En un campo en el que es difícil distinguir un avance real de una demostración llamativa, tener científicos de primer nivel tomando decisiones de inversión puede dar al fondo una ventaja para evaluar tecnología muy temprana. Pero también concentra influencia. Algunos investigadores que defienden determinadas ideas sobre hacia dónde debe avanzar la IA empiezan a disponer del capital necesario para impulsar esas mismas líneas de trabajo.
Las primeras inversiones de 224 serán especialmente reveladoras: permitirán ver qué tecnologías consideran prometedoras quienes, al mismo tiempo, están intentando construir la próxima generación de sistemas de inteligencia artificial.
Así acelera el 'efecto Nvidia' a las 'start up' españolasLa resaca del dinero barato crea legiones de unicornios zombisWordsmith AI aterriza en Barcelona tras captar más de 70 millones de euros Comentar ÚLTIMA HORA-
08:34
eDreams reduce su beneficio hasta 200.000 euros por el aumento de los costes
-
08:32
Las acciones de Shein caen un 10% en su debut bursátil en Hong Kong
-
07:49
¿Cómo debo reordenar mi cartera a la vuelta de vacaciones?
-
07:48
El Ibex titubea al filo de los 20.000 puntos
-
06:40
La Primera de Expansión Azora, Stoneshield, Sabadell, Shein, Nvidia, Revolut y Ceuta